EvolveMem — саморазвивающаяся память для ИИ-агентов с автонастройкой
Группа исследователей опубликовала в архиве препринтов arXiv описание архитектуры EvolveMem, предназначенной для долговременной памяти LLM-агентов. Главное отличие разработки — способность к самоэволюции: меняется не только хранимая информация, но и сам механизм её извлечения.
Существующие системы памяти обычно фиксируют процедуры поиска, ранжирования и объединения данных. EvolveMem же реализует двухуровневую адаптацию: хранимые знания обновляются, а конфигурация системы запросов настраивается встроенным модулем-диагностом на базе LLM. Этот модуль анализирует логи неудач и предлагает целенаправленные изменения.
В основе EvolveMem лежит концепция AutoResearch — замкнутый цикл автономных исследований архитектуры. Система без участия человека проводит итеративные раунды улучшения, начиная с минимальной конфигурации. При этом она использует защитные механизмы: автоматический откат при регрессе и исследование новых вариантов при стагнации.
Эксперименты показали высокую эффективность подхода. На бенчмарке LoCoMo EvolveMem превзошла сильнейший базовый метод на 25,7% относительного улучшения, а по сравнению с минимальной настройкой — на 78,0%. На наборе данных MemBench прирост составил 18,9% относительно лучшего аналога.
Примечательно, что эволюционировавшие конфигурации успешно переносились на другие бенчмарки без ухудшения результатов. Исследователи отмечают, что это свидетельствует о выявлении системой универсальных принципов организации памяти, а не подгонке под конкретные задачи. Исходный код проекта доступен на GitHub.
